Density deconvolution under general assumptions on the distribution of measurement errors
一般测量误差分布假设下的密度反卷积AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般测量误差下的密度恢复理论，未涉及分位数效应、结构经济模型或其他所列细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
一般测量误差分布假设下的密度反卷积
- 研究问题
- 当测量误差的特征函数可能在实轴上取零值时，如何构造密度反卷积估计量，并判断这些零点是否损害估计精度？
- 方法与思路
- 作者在覆盖特征函数有零点和无零点的统一设定中构造估计方法，推导风险上界，并分析零点不影响精度的条件。
- 材料陈述的贡献
- 摘要称，提出了最优密度反卷积估计方法，给出零点不影响精度的充分条件，并在部分具体问题中证明这些条件也必要。
- 阅读关注点
- 应核对误差分布的信息要求、密度函数类与风险准则、零点结构的限制，以及最优性和必要性各自覆盖的范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法确定具体风险速度和构造细节；必要性仅针对部分问题，不能推广为统一结论。
原文摘要
In this paper, we study the problem of density deconvolution under general assumptions on the measurement error distribution. Typically, deconvolution estimators are constructed using Fourier transform techniques, and it is assumed that the characteristic function of the measurement errors does not have zeros on the real line. This assumption is rather strong and is not fulfilled in many cases of interest. In this paper, we develop a methodology for constructing optimal density deconvolution estimators in the general setting that covers vanishing and nonvanishing characteristic functions of the measurement errors. We derive upper bounds on the risk of the proposed estimators and provide sufficient conditions under which zeros of the corresponding characteristic function have no effect on estimation accuracy. Moreover, we show that the derived conditions are also necessary in some specific problem instances.